针对多发性硬化症患者康复过程中的病变检测，本文提出了一种新的自动化分割算法，通过识别病变变化的高确定性来较好地分离稳定型和进展型患者，高于常用的体积变化方法。在个体患者方面，变化的衡量不足以确立无病情进展，直接检测非病变到病变的组织变化是一种切实可行的方法。

Apr, 2019

脑病变的体积是患者预后的一个重要指标，本文提出了 TriadNet，一种基于多头卷积神经网络架构的分割方法，可以在不到一秒钟内同时提供病变体积和相关的预测区间，证明其在大规模 MRI 胶质母细胞瘤影像数据库（BraTS 2021）上的优越性。

Jul, 2023

本研究介绍了使用深度学习构建的计算机辅助诊断 (CAD) 技术，基于 Contrast Enhanced Spectral Mammography (CESM) 图像，通过神经网络识别乳腺恶性病变和进行分类，前期数据的结果证明最终模型在乳腺癌诊断上有很高的可行性。

Jul, 2022

利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。

May, 2024

通过使用基于免疫组化的无注释深度学习流程，我们对犬乳腺癌的上皮分割进行了准确估计，并将我们的自动框架与手动注释的体积校正有丝分裂指数进行了比较，结果表明深度学习的流程具有专家级的性能，同时具备时间效率和重复性。

Nov, 2023

通过使用深度学习和先进的分割技术，该研究旨在提高计算机辅助诊断系统在乳腺癌乳房病变分割中的性能。

Jul, 2024

通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

Aug, 2023

当前的医学图像分割依赖于基于区域（Dice，F1 得分）和基于边界（Hausdorff 距离，表面距离）的度量标准作为事实标准。本论文通过使用相对体积预测误差（vpe）来直接评估分割任务中体积预测的准确性，集成了理论分析和多样数据集的实证验证。研究发现，将体积预测准确性纳入分割评估中起到了关键作用，这使得临床医生在真实医疗场景中更准确理解分割性能，进而提升了这些度量标准的解释性和效用。

Apr, 2024

在放射治疗中，靶体积轮廓的划定被认为比正常器官分割任务更具挑战性，因为它需要利用图像和基于文本的临床信息。受到大型语言模型（LLMs）的最新进展的启发，可以促进文本信息和图像的融合，我们提出了一种新颖的 LLM 驱动的多模态人工智能，应用于放射治疗中具有挑战性的靶体积轮廓任务，并在乳腺癌放疗靶体积轮廓的背景下进行验证。通过外部验证和数据不足环境的使用，这对于实际应用非常有益，我们证明了所提出的模型相比传统的仅视觉 AI 模型具有明显改进的性能，特别是在具有鲁棒泛化性能和数据效率的方面。据我们所知，这是第一个将临床文本信息整合到放射肿瘤学的靶体积划定中的 LLM 驱动多模态 AI 模型。

Nov, 2023

针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

Dec, 2023